前言¶

做自媒體內容的人常遇到一種尷尬：文案是自己寫的，或者至少是想表達自己的意思，但發到平臺上要麼被限流，要麼被 AI 檢測器標個高比例，客戶和領導的反饋也往往是“太機器”“沒溫度”。換一個角度，賬號矩陣化生產（MCM）、跨平臺搬運、批量冷啓動時，文案更容易變成一眼能認出來的 AI 稿——因爲那正是批量生成的結果。

下面介紹的 Skill「去AI痕跡（自媒體）」就是處理這個問題的。它解決兩件事：一是把一段明顯像 AI 寫的自媒體文案，改成像真人隨手發的樣子；二是改完之後不靠感覺，而是用 5 類模擬讀者畫像逐段打分，驗收“還像不像 AI”。

這是什麼¶

「去AI痕跡（自媒體）」是一個面向自媒體場景的文本改寫 Skill，由社區作者 user_f005371f 發佈，座標 @user_f005371f/de-ai-trace-zimeiti，當前版本 1.3.1，發佈在 SkillHub 的 content-creation 分類下。

它解決的問題是：AI 痕跡檢測只能告訴你“像 AI”，給不出可執行的改寫方向和驗收標準。這個 Skill 把嗅探、改寫、模擬讀者驗收串成一條鏈路，讓改寫結果有分數可看、有殘留位置可定位、有下一步建議。

它完全免費，不需要 API Key，沒有外部 API 依賴，不需要任何鑑權配置。SkillHub 頁面顯示評分 100000、下載 952（抓取時間點數據，可能隨時間變化）。

核心功能¶

這個 Skill 的能力可以拆成五塊。

1. 粘貼即觸發，內置 AI 高頻詞嗅探。 不需要用戶明確說“去 AI 味”，只要粘貼一段文本，Skill 就會自動跑 AI 痕跡嗅探。內置 60+ 個 AI 高頻詞作爲閾值，命中後會主動建議改寫，並拉起模擬讀者打分。也就是說觸發不依賴 trigger 詞庫，靠的是詞表命中。

2. 模擬讀者逐段驗收。 這是它和普通改寫 Skill 的主要差異：改完不是結束，而是讓 5 類讀者畫像——都市女白領、寶媽、學生初職、中年老闆、下沉用戶——逐段打分，人味分 0-10，定位殘留的 AI 痕跡，最後給出“能發 / 再改一輪 / 重改”的閉環建議。別人只改不驗，這個 Skill 改完還要過一道讀者驗收。

3. 按平臺差異化改寫。 內置 4 個平臺的差異化策略：小紅書、視頻號、公衆號、抖音。覆蓋的文案類型包括圖文、口播稿、視頻腳本，以及平臺元數據（即各平臺的標題、字數、標籤等風格差異）。用戶指定平臺時按該平臺的策略改寫，比如“發小紅書前再改一版”“寫個口播稿”都能走這條路。

4. 支持四種使用模式。 全流程、快速、批量、對比四種模式。全流程是從嗅探到改寫到驗收跑完整鏈路；快速適合單次改一版；批量面向矩陣化生產和跨平臺搬運；對比適合改完前後或不同版本之間放在一起看。

5. 主題命名規範。 輸出 Markdown，對話標題和文件名必須包含主題，格式是 {主題}-{平臺}-{類型}.md，禁止 untitled.md、output.md 這類隨機文件名。這條是給自動化流程用的，保證多篇產出能被索引和檢索。

安裝與啓用¶

這個 Skill 以通用 SKILL.md 格式分發，官方地址是 https://api.skillhub.cn/user_f005371f/de-ai-trace-zimeiti。

安裝方式取決於你使用的 Agent 環境。在 SkillHub 上它的分類是 content-creation，標籤標了 requires_api_key=false，即不需要任何鑑權配置，下載後按你所用 Agent 的 Skill 安裝流程導入即可。具體的安裝命令取決於客戶端，官方頁面沒有提供統一的 CLI 安裝命令，建議以 SkillHub 頁面和你的 Agent 的 Skill 管理入口爲準，不要使用未經覈實的第三方安裝命令。

典型用法¶

1. 粘貼一段文字，讓它先嗅探再改寫。

粘貼下面這段小紅書文案：

“今天給大家分享一個超實用的小技巧，真的太絕了，趕緊碼住！”

Skill 會先跑 60+ 高頻詞嗅探，命中閾值後主動建議改寫，然後按小紅書策略改，最後用都市女白領等畫像逐段打人味分。

2. 指定平臺和類型，走差異化策略。

幫我寫個視頻號口播稿，主題是“一週通勤穿搭”，不要太像 AI 寫的。

3. 問驗收結果，拿閉環建議。

這段還像不像 AI？幫我判斷一下，我想發公衆號。

4. 批量模式，做矩陣化生產。

同一篇內容，幫我分別出小紅書、抖音、公衆號三個版本的文案。

5. 跨 Skill 聯動，作爲人味化後處理層。

當 ai-pm-workbench、pmaster、moways-doc、frontend-design 等文案生成 Skill 輸出文案後，這個 Skill 可以自動接在後面做“人味化”後處理，用戶也可以一句話拒絕這層處理。

適用場景與注意¶

適合的場景大致有五類動機：

• 防禦性：擔心限流、AI 檢測器誤判、甲方或客戶審查時被打回
• 槓桿性：MCM 矩陣化生產、跨平臺搬運、A-B 測試
• 風格性：調整人設、行業黑話、方言
• 學習性：研究爆款寫法、反 AI 套路
• 時間性：應急改稿、事後補救

不處理的邊界也要說清楚：學術論文、公文、報告請用 thesis-deai；小說、詩歌、劇本創作不在範圍內；純翻譯不做；純視頻畫面分析不做，只處理文本。

另外有兩點要注意。第一，這個 Skill 的觸發詞覆蓋很寬，從“去 AI 味”“降 AI 率”“像人話”“讀起來彆扭”“沒溫度”“全是正確的廢話”這類口語化表達，到“幫我改改”“幫我潤色”“口語化一點”“矩陣化生產”“批量冷啓動”都算，粘貼文本本身也會觸發嗅探。這意味着不用刻意找 trigger 詞，直接粘貼就行。

第二，人味分是模擬讀者畫像給出的，用於定位殘留痕跡和給建議，不等於真實平臺的檢測器結果，實際發佈效果仍要結合平臺自身的規則。

結尾¶

這個 Skill 的價值在於把“改 AI 味”從一件靠感覺的事，變成有嗅探、有改寫、有驗收、有閉環建議的流程。尤其適合需要持續產出、又不想被檢測器和平臺規則反覆打回的自媒體場景。官方地址：https://api.skillhub.cn/user_f005371f/de-ai-trace-zimeiti